基于深度学习的普通 X 光片自动诊断膝骨关节炎方法
使用深度学习算法,基于全 OAI 数据集进行 ImageNet 传递学习和微调,完成了对膝关节 X 射线图像中 KL 和 OARSI 等级的自动预测和较好的预测。
Jul, 2019
本研究旨在开发一种新的计算方法,通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域,提高膝关节放射成像的客观性,结果表明该方法适用于大规模分析。
Jan, 2017
本文利用深度卷积神经网络自动量化膝骨关节炎的严重程度。通过使用 ImageNet 对深度学习模型进行预训练,并在膝骨关节炎图像上进行微调,分类准确性可以显著提高。同时论文指出,使用均方误差等连续的距离指标来评估自动膝骨关节炎严重性预测的准确性更为恰当。结果表明,本文方法在 Osteoarthritis Initiative 提供的 X 射线图像和 KL 分级数据集上比当前技术水平有了显著的提高。
Sep, 2016
通过以患者影像数据、临床检查数据和既往病史为基础的多模态机器学习模型,可以预测膝关节骨关节炎(OA)的进展情况,并显著改善 OA 药物开发试验的受试者选择过程,帮助个性化治疗计划的开发。
Apr, 2019
提出了一种准确、有效的管道,结合 You Only Look Once (YOLO v3) 深度卷积神经网络和具有全面注释的大型膝关节 X 射线图像数据集,实现自动检测、定位和分类 X 射线图像中的膝关节区域,为客观分析和快速分析异常 X 射线图像提供可能。
Feb, 2022
本文介绍了一种使用 X 光图像自动量化膝关节 OA 严重程度的新方法,该方法采用完全卷积神经网络自动检测膝关节并进行多类别分类和回归输出,以优化两个损失函数的加权比率,取得了优于现有方法的极有前景的结果。
Mar, 2017
通过利用深度学习模型,开发了一种从 CT 图像中自动评估髋关节骨关节炎(髋关节 OA)严重程度的方法,模型表现出较高准确度,促进了大规模 CT 数据库中的自动评级,并为进一步疾病发展分析提供了潜力。
Dec, 2023
提出一种使用 Swin Transformer 对膝关节骨关节炎 (KOA) 进行严重程度预测的自动化方法,使用公开的放射性数据集和 Kellgren 以及 Lawrence 分级来提前检测和评估疾病的严重程度,并通过多预测头架构的多层感知机分类器、降低数据漂移的训练方法,提高模型的准确性和泛化能力。实验证明该方法能够准确预测 KOA 的严重程度。
Jul, 2023
本研究使用多任务深度学习模型,同时定位 X 射线图像上的关节并诊断狭窄和侵蚀两种关节损伤。该模型使用经过修改的标签平滑方法,将分类和回归提示合并为单一损失,相对标准损失函数减少了 5% 的误差。该研究在全球 RA2 DREAM 挑战赛中,关节狭窄排名第四,关节侵蚀排名第五。
Apr, 2021